Text-to-Speech mit Emotionen: so klingt eine KI-Stimme ausdrucksstark
Flache, gleichmäßige Sprache passt zu einer Anleitung, aber eine Geschichte, ein Spielsatz oder ein Trailer brauchen Emotion: Begeisterung, Wut, Ruhe, Angst, Sarkasmus. Manche Text-to-Speech-Dienste bieten Emotions-Tags; Supertonic 3, das offene Modell hinter SuperClonica, nicht. Seine Emotion kommt aus drei Dingen, die Sie steuern.
Dieser Leitfaden erklärt, wie Sie ehrlich zu ausdrucksstarker Sprache kommen: mit der passenden Stimme, mit einer Stimme, die aus einer mit der gewünschten Emotion gespielten Aufnahme trainiert ist, und mit einem Text, der so geschrieben ist, wie er wirken soll. Jede Stimme lässt sich kostenlos mit Ihrem eigenen Satz testen.
Woher die Emotion kommt
Es gibt keinen Regler für Freude oder Wut, also planen Sie die Emotion, bevor Sie den Text vertonen.
- Die Stimme: Jede Stimme behält die Art der Aufnahme, aus der sie erstellt wurde, ruhig, lebhaft, düster oder hüpfend.
- Die Referenz: Eine Stimme, die auf einer wütenden, geflüsterten oder fröhlichen Aufnahme trainiert ist, spricht jeden Text in dieser Stimmung.
- Der Text: Zeichensetzung, Satzlänge und Wortwahl formen Intonation und Energie.
Eine ausdrucksstarke Stimme wählen
Die Beschreibungen im Katalog sagen, wie eine Stimme Sätze bringt: gleichmäßig, lebhaft, sprunghaft, zurückhaltend, schleichend. Für Energie wählen Sie Stimmen, die als lebhaft oder energisch beschrieben sind, etwa energische Erzähler und viele Spiel- und Zeichentrickfiguren. Für Ruhe und Wärme gleichmäßige, tiefe Stimmen. Für Bedrohlichkeit wirken Schurken mit tiefer, gemessener Sprechweise am besten.
Die Emotion in den Text schreiben
Das Modell liest den ganzen Satz auf einmal, daher ändert die Zeichensetzung die Melodie des Satzes, nicht nur die Pausen.
- Begeisterung: kurze Sätze und Ausrufezeichen.
- Ruhe: längere Sätze, Punkte, keine Ausrufezeichen.
- Zögern oder Spannung: Auslassungspunkte und Kommas für Pausen.
- Fragen: Ein Fragezeichen hebt das Satzende.
- Charakter: die Worte, die jemand in dieser Stimmung wirklich sagen würde.
Eine Stimme mit der gewünschten Emotion trainieren
Für eine bestimmte Stimmung, die keine Stimme hat, nehmen Sie eine saubere Referenz von 5 bis 10 Sekunden in dieser Stimmung auf, mit genauem Text, und trainieren Sie daraus im Studio eine Stimme auf einem Computer mit NVIDIA-Grafikkarte, oder bestellen Sie sie auf der Börse. Mehrere Stimmen desselben Sprechers, ruhig, wütend und geflüstert, erlauben einen Emotionswechsel von Satz zu Satz.
Testen und offline vertonen
Geben Sie auf der Seite einer beliebigen Stimme Ihren Satz mit 30 bis 100 Zeichen ein und klicken Sie auf die Schaltfläche zum Vertonen, um zu hören, wie sie die Emotion trifft. Für viele Sätze laden Sie die Stimmdatei herunter und nutzen die kostenlose SuperClonica-Engine: python -m pip install superclonica-cpu, dann superclonica --text "Raus. Sofort." --voice schurke.json --lang de --output satz.wav. Sie läuft offline auf einem normalen Prozessor.